Culturally valued facial expressions enhance loan request success.
Notice bibliographique
Résumé
Why do people share resources with some strangers, but not others? This question becomes increasingly relevant as online platforms that promote lending world-wide proliferate (e.g., www.kiva.org). We predicted that lenders from nations that value excitement and other high-arousal positive states (HAP; e.g., United States) would loan more to borrowers who show excitement in their profile photos because the lenders perceive them to be more affiliative (e.g., trustworthy). As predicted, using naturally occurring Kiva data, lenders from the United States and Canada were more likely to lend money to borrowers (N = 13,500) who showed greater positive arousal (e.g., excitement) than were lenders from East Asian nations (e.g., Taiwan), above and beyond loan features (amount, repayment term; Study 1). In a randomly selected sample of Kiva lenders from 11 nations (N = 658), lenders from nations that valued HAP more were more likely to lend money to borrowers who showed open "excited" versus closed "calm" smiles, above and beyond other socioeconomic and cultural factors (Study 2). Finally, we examined whether cultural differences in lending were related to judgments of affiliation in an experimental study (Study 3, N = 103). Compared with Koreans, European Americans lent more to excited borrowers because they viewed them as more affiliative, regardless of borrowers' race (White, Asian) or sex (male, female). These findings suggest that people use their culture's affective values to decide with whom to share resources, and lend less to borrowers whose emotional expressions do not match those values, regardless of their race or sex. (PsycInfo Database Record (c) 2020 APA, all rights reserved).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».